Nature审稿人在审稿评述中指出“本文中提出的想法非常新颖，此类光学神经网络（ONN）的训练过程是前所未有的。所提出的方法不仅有效，而且容易实现。因此，它有望成为训练光学神经网络和其他光学计算系统的广泛采用的工具。”

巧用对称，助力光计算摆脱GPU依赖    

近年间，具有高算力低功耗特性的智能光计算逐步登上了算力发展的舞台。通用智能光计算芯片“太极”的问世便是其中的一个缩影，它首次将光计算从原理验证推向了大规模实验应用，以160TOPS/W的系统级能效为大规模复杂任务的“推理”带来了曙光，但未能够释放智能光计算的“训练之能”。

相较于模型推理而言，模型训练更需要大规模算力。然而，现有的光神经网络训练严重依赖GPU进行离线建模并且要求物理系统精准对齐。正因如此，光学训练的规模受到了极大的限制，光高性能计算的优势仿佛被禁锢在无形的枷锁之中。

在这个时候，方璐、戴琼海课题组找到了“光子传播对称性”这把钥匙，将神经网络训练中的前向与反向传播都等效为光的前向传播。

据论文第一作者、电子系博士生薛智威介绍，在太极-II架构下，梯度下降中的反向传播化为了光学系统的前向传播，光学神经网络的训练利用数据-误差两次前向传播即可实现。两次前向传播具备天然的对齐特性，保障了物理梯度的精确计算。如此实现的训练精度高，便能够支撑大规模的网络训练。

由于不需要进行反向传播，太极-II架构不再依赖电计算进行离线的建模与训练，大规模神经网络的精准高效光训练终于得以实现。

以光为计算媒介，以光的可控传播构建计算模型，光计算天然具有高速和低功耗的特性，利用光的全前向传播实现训练能够极大的提升光网络训练的速度与能效。

论文研究表明，太极-II能够对多种不同光学系统进行训练，并在各种任务下均表现出了卓越的性能。

大规模学习领域：突破了计算精度与效率的矛盾，将数百万参数的光网络训练速度提升了1个数量级，代表性智能分类任务的准确率提升40%。

复杂场景智能成像：弱光环境下（每像素光强度仅为亚光子）实现了能量效率为5.40×10^6 TOPS/W的全光处理，系统级能效提升6个数量级。在非视域场景下实现了千赫兹帧率的智能成像，效率提升2个数量级。

拓扑光子学领域：在不依赖任何模型先验下可自动搜索非厄米奇异点，为高效精准解析复杂拓扑系统提供了新思路。